Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# SageMaker Amazon-Debugger
Debuggen Sie Modellausgabetensoren von Trainingsjobs für maschinelles Lernen in Echtzeit und erkennen Sie nicht konvergierende Probleme mit Amazon Debugger. SageMaker
## Funktionen von Amazon SageMaker Debugger
Bei einem Trainingsjob für Machine Learning (ML) können Probleme auftreten, wie z. B. eine Überanpassung, gesättigte Aktivierungsfunktionen und verschwindende Farbverläufe, die die Modellleistung beeinträchtigen können.
SageMaker Der Debugger bietet Tools zum Debuggen von Trainingsaufgaben und zum Beheben solcher Probleme, um die Leistung Ihres Modells zu verbessern. Der Debugger bietet auch Tools, mit denen Warnmeldungen gesendet werden können, wenn Trainingsanomalien festgestellt werden, Maßnahmen zur Behebung der Probleme ergriffen und die Hauptursache dafür identifiziert werden können, indem gesammelte Metriken und Tensoren visualisiert werden.
SageMaker Der Debugger unterstützt die Frameworks Apache MXNet, PyTorch TensorFlow, und. XGBoost Weitere Hinweise zu verfügbaren Frameworks und Versionen, die von SageMaker Debugger unterstützt werden, finden Sie unter. [Unterstützte Frameworks und Algorithmen](debugger-supported-frameworks.md)
Der High-Level-Debugger-Workflow sieht wie folgt aus:
1. Ändern Sie Ihr Trainingsskript bei Bedarf mit dem `sagemaker-debugger` Python-SDK.
1. Konfigurieren Sie einen SageMaker Trainingsjob mit SageMaker Debugger.
+ Konfigurieren Sie mit der SageMaker AI Estimator API (für Python SDK).
+ Konfigurieren Sie mithilfe der SageMaker [`CreateTrainingJob`AI-Anfrage (für Boto3 oder CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-createtrainingjob-api.html)).
+ Konfigurieren Sie [benutzerdefinierte Trainingscontainer](debugger-bring-your-own-container.md) mit SageMaker Debugger.
1. Starten Sie einen Trainingsjob und überwachen Sie Trainingsprobleme in Echtzeit.
+ [Liste der in den Debugger integrierten Regeln](debugger-built-in-rules.md).
1. Erhalten Sie Benachrichtigungen und ergreifen Sie umgehend Maßnahmen gegen die Trainingsprobleme.
+ Empfangen Sie SMS und E-Mails und beenden Sie Trainingsjobs, wenn Trainingsprobleme festgestellt werden[Integrierte Debugger-Aktionen für Regeln verwenden](debugger-built-in-actions.md).
+ Richten Sie Ihre eigenen Aktionen mit [Amazon CloudWatch Events ein und AWS Lambda](debugger-cloudwatch-lambda.md).
1. Erkunden Sie eine eingehende Analyse der Trainingsprobleme.
+ Informationen zum Debuggen von Modellausgabetensoren finden Sie unter [Visualisieren Sie die Debugger-Ausgabetensoren in TensorBoard](debugger-enable-tensorboard-summaries.md).
1. Beheben Sie die Probleme, berücksichtigen Sie die Vorschläge des Debuggers und wiederholen Sie die Schritte 1–5, bis Sie Ihr Modell optimiert und die Zielgenauigkeit erreicht haben.
Das SageMaker Debugger-Entwicklerhandbuch führt Sie durch die folgenden Themen.
**Topics**
+ [Funktionen von Amazon SageMaker Debugger](#debugger-features)
+ [Unterstützte Frameworks und Algorithmen](debugger-supported-frameworks.md)
+ [Amazon SageMaker Debugger-Architektur](debugger-how-it-works.md)
+ [Debugger-Tutorials](debugger-tutorial.md)
+ [Debuggen von Trainingsjobs mit Amazon SageMaker Debugger](debugger-debug-training-jobs.md)
+ [Liste der in den Debugger integrierten Regeln](debugger-built-in-rules.md)
+ [Benutzerdefinierte Regeln mithilfe der Debugger-Clientbibliothek erstellen](debugger-custom-rules.md)
+ [Verwenden Sie den Debugger mit benutzerdefinierten Trainingscontainern](debugger-bring-your-own-container.md)
+ [Debugger mithilfe SageMaker der API konfigurieren](debugger-createtrainingjob-api.md)
+ [Amazon SageMaker Debugger-Referenzen](debugger-reference.md)